SEGMENTATION

CLIENT - RFM

import pandas as pd
import numpy as np
import plotly.express as px
import plotly.graph_objects as go
from datetime import datetime

import warnings
warnings.filterwarnings('ignore')

import plotly.io as pio
pio.templates.default = "plotly_dark"

rfm = pd.read_csv ("rfm_nextstep_export.csv")
rfm.head()

	customer_id	Recency	Frequency	Monetary
0	1	102	5	831.30
1	2	34	4	1840.77
2	3	297	3	136.50
3	4	527	2	349.70
4	5	112	11	2273.00

rfm.shape

(1283707, 4)

Suite de la segmentation (Division en 02 notebooks pour des soucis de mémoire)

"""
Scoring suivant une logique de 1 à 5 pour la F et M
et de 5 à 1 pour la R (car il plus il est bas plus vous etes un bon client contrairement aux autres )
"""

rfm['R'] = pd.qcut(rfm['Recency'], 5, labels=[5,4,3,2,1])
rfm['F'] = pd.qcut(rfm['Frequency'].rank(method="first"), 5, labels=[1,2,3,4,5])
rfm['M'] = pd.qcut(rfm['Monetary'], 5, labels=[1,2,3,4,5])
rfm['RFM_Score'] = rfm[['R','F','M']].astype(str).agg(''.join, axis=1)

rfm.head()

	customer_id	Recency	Frequency	Monetary	R	F	M	RFM_Score
0	1	102	5	831.30	3	4	4	344
1	2	34	4	1840.77	5	4	5	545
2	3	297	3	136.50	2	3	2	232
3	4	527	2	349.70	1	2	3	123
4	5	112	11	2273.00	3	5	5	355

#Affichage de la distribution des score
fig = px.histogram(rfm, x='RFM_Score', title='Distribution des scores RFM :')
fig.show()

fig.write_image("Distribution_score.png") 

Avec ce graphique nous pouvons déja identifier les profils les plus présents dans notre base client.

"""
Création des segments en fonction de quelques scénarios 
simples que nous allons identifier
"""

def segment(score):
    r, f, m = int(score[0]), int(score[1]), int(score[2])

    # 1. Clients Premium (VIP)
    if r >= 4 and f >= 4 and m >= 4:
        return "Premium"

    # 2. Fidèles actifs
    elif r >= 3 and f >= 3:
        return "Fidèles"

    # 3. Nouveaux ou Récents
    elif r >= 4 and f <= 2:
        return "Nouveaux"

    # 4. À réactiver (anciens fidèles ou gros acheteurs)
    elif r <= 2 and (f >= 3 or m >= 4):
        return "À Réactiver"

    # 5. Perdus ou peu engagés
    else:
        return "Inactifs"

rfm["segment"] = rfm["RFM_Score"].apply(segment)

rfm.head(10)

	customer_id	Recency	Frequency	Monetary	R	F	M	RFM_Score	segment
0	1	102	5	831.30	3	4	4	344	Fidèles
1	2	34	4	1840.77	5	4	5	545	Premium
2	3	297	3	136.50	2	3	2	232	À Réactiver
3	4	527	2	349.70	1	2	3	123	Inactifs
4	5	112	11	2273.00	3	5	5	355	Fidèles
5	6	6	4	2199.50	5	4	5	545	Premium
6	7	112	2	23.65	3	2	1	321	Inactifs
7	8	318	5	458.25	2	4	4	244	À Réactiver
8	9	557	2	181.00	1	2	3	123	Inactifs
9	10	74	7	296.05	5	5	3	553	Fidèles

fig = px.pie(rfm, names='segment', title='Répartition des segments :')
fig.show()

fig.write_image("Répartition_segment.png") 

rfm.to_csv("rfm_final_export.csv", index=False, encoding='utf-8-sig')

CONCLUSION

Grâce à cette segmentation RFM optimisée, nous pouvons déjà identifier des profils clients clés permettant un ciblage marketing plus pertinent et efficace. Chaque segment révèle des comportements d’achat spécifiques — qu’il s’agisse des clients Premium, des Fidèles, des Nouveaux acheteurs, des clients à réactiver ou des Inactifs. Cette classification permet d’adapter les actions marketing à la réalité terrain, en déployant des stratégies ciblées : - Récompenses et exclusivités pour les Premium, - Programme de fidélisation pour les clients réguliers, - Parcours d’onboarding pour les nouveaux, - Campagnes de relance pour les clients à réengager, - maîtrise des coûts marketing en limitant les actions sur les segments peu engagés. Cela se traduit par une meilleure efficacité des campagnes, une réduction des coûts d’acquisition et de rétention, et une amélioration de la satisfaction client par des communications plus personnalisées et utiles. Enfin, cette segmentation peut servir de base pour des initiatives plus avancées comme un système de recommandation intelligent, capable de prédire les préférences produits de chaque profil client et d’automatiser les propositions commerciales personnalisées. Ce type d’approche ouvrirait la voie à une stratégie de marketing prédictif orientée valeur client.

from IPython.display import Image, display

display(Image(filename='Output/scatter_rfm.png'))